Künstliche Intelligenz in der Schule - Vorlesung an der Technischen Universität Chemnitz Wintersemester 2004/2005 Prof. Dr. Werner Dilger
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Künstliche Intelligenz in der Schule
Vorlesung an der Technischen Universität Chemnitz
Wintersemester 2004/2005
Prof. Dr. Werner DilgerKünstliche Intelligenz in der Schule Seite 2 Inhalt 1. Was ist Künstliche Intelligenz? 2. Probleme lösen durch Suchen 3. Planen 4. Multiagentensysteme 5. Robotik 6. Lernende Systeme 7. Neuronale Netze Literatur J. Ferber: Multi-Agent Systems. An Introduction to Distributed Artificial Intelligence. Addison- Wesley, Harlow, 1999. M.M. Richter: Prinzipien der Künstlichen Intelligenz. B.G. Teubner, Stuttgart, 1992. S.J. Russell, P. Norvig: Künstliche Intelligenz. Ein moderner Ansatz. Pearson Education Germany, München, 2004. Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 3 1. Was ist Künstliche Intelligenz? 1.1. Wie intelligent sind Computer? Was können Computer heute schon? Allgemein bekannt sind folgende Fähigkeiten: • Sie können unheimlich schnell rechnen. • Sie können riesige Datenmengen verwalten. • Sie sind die Grundlage des Internets. Wir Menschen haben uns schon lange daran gewöhnt, dass uns die Computer bei diesen Fähigkei- ten weit überlegen sind. Alle diese Tätigkeiten lassen sich auch manuell erledigen (auch das Internet, das man als weltweites Dokumentenverwaltungssystem betrachten kann), allerdings nur prinzipiell, praktisch nicht, weil wir mit unseren begrenzten Fähigkeiten zu unseren Lebzeiten viele Probleme nicht lösen könnten, die Computer in wenigen Minuten oder gar nur Sekunden erledigen. Aber Computer können inzwischen schon mehr: • Sie können Sprache verstehen. • Sie können Schrift lesen. • Sie können erkennen, was auf einem Bild dargestellt ist. • Sie können Probleme lösen, für die sonst viel menschliches Erfahrungswissen notwendig ist. • Sie können lernen, d.h. ihr Wissen selbstständig erweitern. Zugegeben, diese Fähigkeiten sind nicht so gut ausgebildet wie die ersten drei genannten, und Menschen sind darin meist noch besser als Computer, aber immerhin gibt es auch hier schon sogar praktisch eingesetzte Systeme. Man muss sich also fragen, wo sind die Grenzen der Computer, oder gibt es solche überhaupt nicht und ist es nur eine Frage der Zeit, bis die Computer uns in jeder Hinsicht überlegen sind? Manche Wissenschaftler glauben das, z.B. Ray Kurzweil (siehe z.B. http://www.kurzweilai.net/meme/frame.html?m=7). Der allererste Computer wurde vor etwa 65 Jahren gebaut, wenn man bedenkt, was in dieser relativ kurzen Zeit daraus geworden ist und was heutige Maschinen leisten, dann scheint es nicht sehr sinnvoll zu sein über absolute Grenzen der Technik zu spekulieren. 1.2. Können Computer denken? Als höchste geistige Tätigkeit des Menschen, wodurch er sich von allen Tierarten unterscheidet, betrachtet man allgemein seine Fähigkeit zu denken, d.h. Inhalte miteinander auf abstrakter Ebene in Verbindung zu bringen. Menschen können komplizierte Theorien entwickeln, und vielfach, vor allem in den Naturwissenschaften, sind diese auch für das Verständnis der Welt notwendig. Ein wesentlicher Grund dafür ist die Beschränktheit unserer Wahrnehmungsfähigkeit durch unsere Sinnesorgane und die Notwendigkeit für das Gehirn, aus dieser Eingabe ein einigermaßen sinn- volles Bild der Welt zu konstruieren. Das Gehirn baut sich komplexe Repräsentationen der Welt auf, und die brauchen wir um uns in der Welt zurecht zu finden. Schaut man sich die im vorigen Abschnitt aufgezählten Punkte (Sprache verstehen, Schrift lesen usw.) an, dann muss man zugeben, dass dafür ein gewisses Maß an Denkfähigkeit erforderlich ist, das wir also dem Computer zubilligen müssen, jedenfalls von außen betrachtet. Selbstverständlich können Computer noch nicht selbstständig Forschung betreiben und noch keine komplizierten physikalischen oder mathematischen Theorien entwickeln. Sie können allerdings schon mit Hilfe Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 4 von Sensoren als Roboter Wahrnehmungen machen und diese intern verarbeiten und sie können sich eigene interne Repräsentationen aufbauen. Von außen betrachtet besitzen also Computer so etwas wie Denkfähigkeit, und diese vergrößert sich in der Zukunft sicherlich noch erheblich. Man kann sich aber fragen, ob sie beim Denken intern das Gleiche tun wie Menschen. Früher nahmen das viele Leute naiv an. Inzwischen haben die Gehirn- forscher sehr viel über Aufbau und Funktionsweise des Gehirns herausgefunden und jetzt sind die Unterschiede zwischen Gehirn und Maschine ziemlich gut zu sehen. Die sind allerdings sehr grundlegend. Man kann die Arbeitsweise des Gehirns auf dem Computer simulieren, wenn auch in sehr viel kleinerem Maßstab. Aber immerhin ist zu erkennen, dass man dabei ähnliche Effekte erzielt wie das Gehirn selbst. Die Gehirnleistungen, die wir am ehesten mit dem Begriff „Denken“ verbinden, nämlich Sprache verstehen, Schrift lesen usw., könnten also auf einer entsprechenden technologischen Basis in ähnlicher Form und in ähnlichem Umfang von einem künstlichen System erbracht werden wie die Menschen es tun. Solche Systeme sind wahrscheinlich eines Tages realisierbar, denn im Ansatz und im kleinen Maßstab geht es schon heute. 1.3. Können Computer Gefühle haben? Die meisten, wenn nicht alle Computerlaien würden hier antworten: niemals! Das geht uns Men- schen doch zu sehr unter die Haut, denn ein Computer wird eben als Maschine betrachtet, und eine solche kann keine Gefühle haben. Dass die Computer zu solchen Denkleistungen imstande sind oder sein werden wie wir, damit können wir uns noch abfinden, aber Emotionen? Die betrachten wir als etwas genuin menschliches, oder vielleicht etwas allgemeiner als etwas, was höheren Lebe- wesen vorbehalten ist. Es gibt aber Psychologen, die sehen das anders. Einer der bekanntesten von ihnen ist Dietrich Dörner (Uni Bamberg). Er geht davon aus, dass Emotionen ihren Sitz im Gehirn haben und deshalb auf Mechanismen beruhen, die auch sonst im Gehirn vorkommen. Wenn man nun Gehirnfunktionen auf dem Computer simulieren kann, dann müsste das auch mit Emotionen möglich sein. Er hat einige interessante Programme entwickelt, die das belegen sollen. Dabei möchte er insbesondere demonstrieren, wie weit Emotionen rationale Entscheidungen beeinflussen. Natürlich gilt auch hier wieder, dass man vom Vorbild noch weit entfernt ist. Vor allem aber wird von anderen Forschern der Einwand gemacht, dass es sich bei den Emotionen um wesentlich andere Vorgänge handelt als bei den rein kognitiven Tätigkeiten. Bei den Emotionen sind nämlich noch andere Gehirnpartien im Spiel als nur das Großhirn (der Kortex), vor allem das limbische System, außerdem spielen andere Steuerungssysteme im Körper, wie das Hormonsystem und sogar das Immunsystem, eine wichtige Rolle. Diese Steuerungssysteme beeinflussen sich gegenseitig, und das trifft ganz besonders bei den Emotionen zu. Man kann zwar emotionales Verhalten simulieren, aber es ist dann eine philosophische Frage, ob ein Computer oder ein Roboter ein solches Verhalten hat oder „nur“ simuliert. Diese Frage hat durchaus praktische Bedeutung. In der Robotertechnik interessiert man sich für die sichtbare Simulation von Emotionen, und zwar bei solchen Robotern, die mit Menschen in Kontakt treten sollen oder gar mit ihnen kommunizieren sollen. Das kann in der Zukunft eine Rolle spielen bei Robotern, die zur Unterstützung behinderter Personen verwendet werden sollen. Die Erfahrun- gen mit Robotern, insbesondere in großem Umfang mit den Roboterhunden, zeigt, dass Menschen relativ leicht Emotionen in ein Wesen projizieren, das im Verhalten und insbesondere in der Mimik (soweit vorhanden) etwas zeigt, was als emotionale Äußerung interpretiert werden kann. In dem Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 5 Forschungsprojekt Kismet wird untersucht, wie Menschen auf mimische Verhaltensweisen von Robotern reagieren, vgl. http://www.ai.mit.edu/projects/humanoid-robotics- group/kismet/kismet.html. In diesen Zusammenhang gehört auch die Frage, ob künstliche Systeme so etwas wie Selbstbe- wusstsein haben können. Höheren Tieren wird Selbstbewusstsein zugebilligt, allerdings war man darüber in früheren Jahrhunderten anderer Meinung. Ob künstliche Systeme, z.B. Roboter, Selbst- bewusstsein haben können ist deshalb schwer zu sagen, weil man sich in der Philosophie, Psychologie und verwandten Wissenschaften über den Begriff noch nicht im Klaren ist. Sollte Selbstbewusstsein rein als Leistung einer höheren Intelligenz definiert werden, dann wird man sie eines Tages auch künstlichen Systemen nicht absprechen können. 1.4. Können sich Computer sozial verhalten? Konkreter gefragt heißt das: Können Computer miteinander kommunizieren, können sie kooperie- ren um gemeinsam Aufgaben zu lösen, können sie sich selbstständig in einer Gemeinschaft orga- nisieren, können sie dabei eigene Verhaltensweisen ausbilden, ja sogar: können sie selbstständig eine Sprache ausbilden? Das alles leisten die Menschen in sozialen Gemeinschaften, und manche dieser Fähigkeiten findet man auch bei Tieren. In der KI-Forschung gibt es ein Teilgebiet, das sich „Multiagentensysteme“ nennt, dort werden genau diese Fragen untersucht und es werden Entwicklungen betrieben, die nachweisen sollen, dass künstliche Systeme ähnliche Leistungen erbringen können. Kommunikation zwischen Computern ist heutzutage eine Selbstverständlichkeit, ohne sie gäbe es das Internet nicht. Dafür gibt es eine Menge Sprachen, die allerdings von den Entwicklern vorgegeben sind. Es gibt aber durchaus Parallelen zur Kommunikation zwischen Menschen: Erhält ein Computer ein Datenpaket, hat aber keinen Interpreter dafür, dann kann er mit den Daten nichts anfangen. Hat er aber einen geeigneten Interpreter, dann kann ist das Datenpaket für ihn eine Nachricht, auf die er reagieren kann. Das ist bei Menschen nicht anders, sie verstehen immer nur wenige oder nur eine Sprache, Sendungen in anderen Sprachen sind für sie wertlos, weil sie nicht den richtigen Interpreter für diese Sprachen besitzen. Kooperation ist schon schwieriger, aber auch dafür gibt es schon zahlreiche Beispiele, vor allem beim parallelen und verteilten Rechnen. Auch das ist eine Form von Kooperation, wenn auch eine nach festen Regeln, bei denen den beteiligten Maschinen bestimmte Aufgaben zugeteilt werden. Man kann aber Computer mit mehr Selbstständigkeit oder Autonomie ausstatten und sie damit befä- higen, Kooperation untereinander selbst zu organisieren. Das hängt eng mit der Selbstorganisation zusammen. Man stellt der ganzen Agentengesellschaft eine Aufgabe, und diese muss sich selber so koordinieren und die Aufgaben verteilen, dass die Aufgabe insgesamt gelöst wird. Irgendwann und irgendwie haben es die Menschen geschafft, Formen des Zusammenlebens und der sprachlichen Verständigung zu entwickeln. Ansätze dazu gibt es allerdings schon im Tierreich. In der Multiagentenforschung interessiert man sich dafür, ob künstliche Systeme auch zu einer solchen Leistung imstande sind. Es gibt dazu einige interessante Ansätze, z.B. die Talking Heads von Luc Steels (http://talking-heads.csl.sony.fr/). Die Frage ist dabei vor allem, wie die Semantik der Sprache entstand. Diese Fragen sind auch im Zusammenhang mit der Kommunikation zwischen Menschen und Robotern von Interesse. Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 6 1.5. Womit beschäftigt sich die Künstliche Intelligenz? In der KI versucht man, intelligente Fähigkeiten, wie sie am ausgeprägtesten beim Menschen zu beobachten sind, mit dem Computer zu simulieren. Die erste Voraussetzung dafür ist, menschliches Wissen in den Computer zu bringen um es dort verarbeiten zu können. Damit fangen die Schwierig- keiten bereits an. Es genügt nicht, nur irgendwelche Dokumente einzulesen, z.B. Bücher aller Art, das könnte man noch maschinell machen. Das darin enthaltene Wissen ist nicht unmittelbar verarbeitbar, vielmehr muss es in eine spezielle Form gebracht werden, damit dies möglich ist. Eine solche Form nennt man allgemein eine formale Sprache. Programmiersprachen sind die bekanntes- ten Beispiele für formale Sprachen. Für die Darstellung von Wissen im Computer werden aber andere Sprachen verwendet, z.B. Logik-Sprachen. Wichtig ist, dass es die Sprache erlaubt, Inhalte nach genauen Regeln miteinander zu verknüpfen um neue Inhalte zu gewinnen. Diese Regeln müssen ganz exakt sein, damit man sie im Computer in einem automatisch ablaufenden Programm verwenden kann. Bei Logik-Sprachen z.B. gibt es solche Regeln, sie heißen Inferenzregeln, und das Erschließen neuer Inhalte mit Hilfe der Regeln nennt man logisches Schließen. Wir haben schon festgestellt, dass bei reinen Rechenprozessen die Computer uns Menschen weit überlegen sind. Typisch „intelligente“ Aufgaben haben aber einen anderen Charakter als reine Rechenaufgaben. Sie sind Problemlösungsaufgaben. Die Besonderheit dieser Art von Aufgaben ist, dass zu Beginn eine Beschreibung eines (Anfangs-) Zustands und eine Aufgabenbeschreibung vorliegen sowie eine Menge möglicher Operationen (z.B. in Form von Regeln). Der Problemlöser hat nun die Aufgabe einen Zustand zu finden, der eine Lösung der Aufgabe darstellt. Das kann er dadurch tun, dass er eine im Augenblick geeignete Operation auswählt, diese auf den gegenwärti- gen Zustand anwendet und so zu einem neuen Zustand kommt. Dies muss er so lange machen, bis er einen Lösungszustand erreicht hat. Man nennt den ganzen Prozess Problemlösen durch Suchen. Er ist ein so allgemeines Verfahren, dass er im Prinzip immer angewendet werden kann, sobald ein Problem in einer formalen Beschreibung im Computer gegeben ist. Er hat aber den Nachteil, dass er sehr zeitaufwendig werden kann, deshalb versucht man für spezielle Probleme speziellere Verfah- ren zu verwenden. Eine wichtige Aufgabe ist des Planen. Menschen können das sehr gut. Das Planen ist ein gutes Beispiel für allgemeines Problemlösen. Man kann also mit Suchverfahren ein Planungsproblem immer lösen. Um es aber effizienter tun zu können, hat man spezielle Verfahren für das Planen entwickelt. Eine wichtige Voraussetzung dafür ist die detailliertere Beschreibung des Planungsprob- lems als es mit einer allgemeinen Zustandsformulierung möglich ist. Logik-Sprachen bieten dazu die Möglichkeit. Was man mit einem spezielleren Verfahren erreicht ist, dass die Zahl der nutzlosen Schritte, die zu keiner Lösung führen, reduziert wird. Wie in Abschnitt 1.4 erwähnt, ist die Untersuchung von Kommunikation und Kooperation zwischen Computern ein wichtiges Teilgebiet der KI. Das liegt zunächst einmal daran, dass Computersysteme oder Agenten mehr leisten können, wenn sie kooperieren, und dass viele Probleme von Natur aus verteilt sind, so dass ein verteilter Ansatz zur Lösung günstig erscheint. Das lässt sich besonders gut am Beispiel der „reaktiven Agenten“ zeigen, einem Typ besonders einfacher Agenten. Man kann sich die reaktiven Agenten ungefähr wie Ameisen vorstellen, also sehr einfache Tiere, bei denen das einzelne Exemplar nicht viel leisten kann, nicht einmal allein überlebensfähig ist, aber die Gemein- schaft erstaunliche Dinge zustande bringt. Ein weiterer wichtiger Grund für die Beschäftigung mit den Multiagentensystemen ist die Einsicht, dass Intelligenz ein soziales Phänomen ist. Die Intelligenz eines Menschen bildet sich nur im Kontakt mit anderen Menschen aus, wäre ein Mensch von Geburt an auf sich allein gestellt, dann würde sie sich nicht entwickeln, ein berühmtes Beispiel dafür sind die „Wolfskinder“. Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 7 Die publikumswirksamsten Entwicklungen der KI sind die in der Robotik, genauer gesagt in der mobilen Robotik. Die klassischen Roboter, die schon seit langem in der Industrie eingesetzt werden, sind herkömmlich programmiert, sie sind eigentlich nur Maschinen ohne „Intelligenz“. Die mobilen Roboter benötigen aber ein beträchtliches Maß an Intelligenz, damit sie sich selbstständig oder autonom in einer bestimmten Umgebung bewegen können. So entsteht leicht die Science fiction Vorstellung von Robotern, die menschenähnlich sind, womöglich sogar den Menschen überlegen, und die am Ende die Menschen überflüssig machen. Roboter können aber, wenn sie vernünftig eingesetzt werden, sehr nützliche Maschinen sein Hier geht es darum, was der Stand der Entwick- lung ist und wie man einfache Roboter auch zu Lehrzwecken einsetzen kann. Eine besonders wichtige Fähigkeit des Menschen ist die des Lernens. Menschen, oder genauer gesagt unser Gehirn, lernen ständig. Das wird uns nur meist nicht bewusst. Das Gehirn ist aber immer damit beschäftigt, Eindrücke von außen zu verarbeiten und dabei neue Inhalte herauszu- filtern und sie in das schon vorhandene Wissen zu integrieren. Auch Computern kann man das Lernen beibringen, wenigstens bestimmte Arten davon. Eine Form des Lernens, die Menschen schon im Kleinkindalter praktizieren, ist das Lernen von Begriffen und Regeln, und diese Form beherrscht auch ein Computer wenn er entsprechend programmiert ist. Man nennt das dann Maschinelles Lernen. Der Lernprozess verläuft kontrolliert, deshalb spricht man hier von über- wachtem Lernen oder Lernen mit Lehrer. Man kann sich das etwa so vorstellen wie bei einem Kleinkind, dem man erklären will, was ein Tisch, ein Stuhl oder ein Auto ist. Dazu zeigt man auf bestimmte Gegenstände und sagt „das ist ein ...“ bzw. „das ist kein ...“. Ganz ähnlich lernt ein Computer. Es gibt noch eine andere Form des Lernens, die man mit Computern realisieren kann, und zwar mit (künstlichen) Neuronalen Netzen. Das sind letztlich auch Computerprogramme, in die man etwas eingibt und von denen man eine Ausgabe erhält. Allerdings sind das keine Begriffe, sondern in der Regel relativ abstrakte Kodierungen von Inhalten. Man spricht deshalb auch von „subsymbolischem Lernen“ im Gegensatz zu „symbolischem Lernen“ wie oben. Neuronale Netze führen im Prinzip Prozesse durch, die in ähnlicher Form auch im Gehirn ablaufen, nur sind sie dort noch komplexer. Deshalb interessieren sich die Hirnforscher für sie und verwenden sie als Experimentierwerkzeuge. Auch bei den Neuronalen Netzen gibt es überwachtes Lernen, aber es gibt auch andere Formen, die man allgemein als unüberwachtes Lernen bezeichnet. Es gibt noch eine Reihe anderer Gebiete in der KI, z.B. das Verstehen von Sprache, das Erzeugen von Sprache, das Erkennen von Bildern, die Verarbeitung von unsicherem Wissen und andere. Sie können hier nicht alle behandelt werden, und lassen sich auch nicht so günstig für Unterrichts- zwecke verwenden. Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 8 Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 9 2. Probleme lösen durch Suchen 2.1. Wie formuliert man Probleme? 1. Beispiel: Ein Tourenproblem Herr A befindet sich in Arad, Rumänien, gegen Ende einer Ferienrundreise. Er hat ein Rückflug- ticket für den nächsten Tag ab Bukarest. Das Ticket ist nicht rückerstattbar, A’s Visum läuft in Kürze ab und nach dem morgigen Tag gibt es innerhalb der nächsten sechs Wochen keine freien Plätze für einen Rückflug. Herr A hat eigentlich noch andere Interessen, z.B. die Vertiefung seiner Sonnenbräune, die Verbesserung seiner rumänischen Sprachkenntnisse oder irgendwelche Besichti- gungen. Dementsprechend viele Aktionen können gewählt werden. Angesichts des Ernstes der Lage sollte A jedoch das Ziel verfolgen, nach Bukarest zu fahren. Die Zielformulierung, ausgehend von der aktuellen Situation, ist der erste Schritt beim Problem- lösen. Ein Ziel wird als eine Menge von Weltzuständen betrachtet, in denen das Ziel erfüllt ist. Aktionen werden als Übergänge zwischen Weltzuständen betrachtet. Bei der Problemformulierung wird entschieden welche Aktionen und welche Zustände betrachtet werden sollen. Sie folgt auf die Zielformulierung. Hat ein Problemlöser mehrere mögliche Aktionen mit unbekanntem Ausgang, dann kann er eine Entscheidung dadurch herbeiführen, dass er verschiedene mögliche Aktionsfolgen, die zu Zustän- den mit bekanntem Wert führen, untersucht und dann diejenige Aktionsfolge wählt, die zu dem Zustand mit dem besten Wert führt. Dieser Vorgang heißt Suche. Ein Suchalgorithmus nimmt eine Problembeschreibung als Eingabe und liefert eine Lösung in Form einer Aktionsfolge. Die Lösung kann dann in der Ausführungsphase ausgeführt werden. 2. Beispiel: Staubsauger-Roboter Die Staubsaugerwelt bestehe aus zwei Plätzen. An jedem Platz kann sich Schmutz befinden oder nicht und der Staubsauger-Roboter (SR) befindet sich am einen oder am anderen Platz. In dieser Welt gibt es acht verschiedene Zustände, die graphisch in Abbildung 2.1 dargestellt sind, und SR kann drei verschiedene Aktionen ausführen: Links, Rechts und Saugen. Die Saugeaktion arbeite zuverlässig. Das Ziel ist, allen Schmutz aufzusaugen, d.h. das Ziel ist in einem der Zustände 7 und 8 von Abbildung 2.1 erfüllt. Die Problembeschreibung für den Staubsauger-Roboter kann man auf zwei verschiedene Weisen machen. 1. Ein-Zustands-Problem Der Problemlöser (d.h. hier: der Roboter) weiß, in welchem Zustand er sich befindet und er weiß, was jede Aktion bewirkt. Dann kann er, ausgehend von seinem Zustand, für eine Aktionsfolge vorausberechnen, in welchem Zustand er nach Ausführung der Aktionen sein wird. 2. Mehr-Zustands-Problem Der Problemlöser weiß nicht, in welchem Zustand er sich befindet, z.B. weil er keinen Sensor hat um dies festzustellen oder weil seine Sensoren den Zustand nicht mit Sicherheit bestimmen können, aber er weiß, was jede Aktion bewirkt. Dann kann er trotzdem das Erreichen eines Zielzustands Technische Universität Chemnitz Wintersemester 2004/05
Künstliche Intelligenz in der Schule Seite 10
vorausberechnen. Dazu muss er aber über eine Menge von Zuständen schlussfolgern, nicht nur über
einzelne Zustände.
1 2
3 4
5 6
7 8
Abbildung 2.1
2.1.1. Wohldefinierte Probleme und Lösungen
Zur Definition eines Ein-Zustands-Problems sind folgende Informationen erforderlich:
• Ein Anfangszustand;
• eine Menge möglicher Aktionen;
• ein Zielprädikat;
• eine Pfadkostenfunktion.
Der Anfangszustand ist der Zustand, von dem der Problemlöser weiß, dass er sich in ihm befindet.
Eine Aktion wird als Operator (alternativ: Nachfolgefunktion) bezeichnet in Verbindung mit dem
Zustand, zu dem sie von einem gegebenen Zustand aus führt.
Der Anfangszustand und die Menge der Aktionen definieren den Zustandsraum des Problems. Er
besteht aus der Menge aller Zustände, die vom Anfangszustand aus durch irgendwelche Aktionsfol-
gen erreichbar sind. Ein Pfad im Zustandsraum ist eine Aktionsfolge, die von einem Zustand zu
einem anderen führt.
Das Zielprädikat kann der Problemlöser auf einen Zustand anwenden um zu testen, ob er ein
Zielzustand ist.
Die Pfadkostenfunktion ordnet jedem Pfad im Zustandsraum einen Kostenwert zu. Dieser ist die
Summe der Kosten jeder einzelnen Aktion entlang des Pfades. Die Pfadkostenfunktion wird häufig
mit g bezeichnet.
Die vier Bestandteile einer Problembeschreibung kann man als Datentyp Problem definieren, und
der sieht dann so aus:
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 11
datatype PROBLEM
components: ANFANGSZUSTAND, OPERATOREN, ZIELPRÄDIKAT, PFADKOSTENFUNKTION
Instanzen dieses Datentyps bilden die Eingaben für Suchalgorithmen. Die Ausgabe eines Suchalgo-
rithmus ist eine Lösung, d.h. ein Pfad vom Anfangszustand zu einem Zustand, der das Zielprädikat
erfüllt.
Bei Mehr-Zustands-Problemen werden die Zustände durch Zustandsmengen ersetzt, eine Aktion
wird durch eine Menge von Operatoren repräsentiert, die die Folgezustandsmenge spezifizieren. Ein
Operator wird auf eine Zustandsmenge angewandt, indem er auf jeden einzelnen Zustand in der
Menge angewandt wird und die Ergebnisse vereinigt werden. Anstelle des Zustandsraums erhält
man einen Zustandsmengenraum und ein Pfad in diesem Raum führt über Zustandsmengen. Eine
Lösung ist ein Pfad zu einer Zustandsmenge, die nur aus Zielzuständen besteht.
Die Qualität einer Problemlösung wird durch drei Größen gemessen:
• Wird eine Lösung gefunden?
• Wie hoch sind die Pfadkosten?
• Wie hoch sind die Suchkosten?
Die Gesamtkosten der Problemlösung sind die Summe aus Pfadkosten und Suchkosten.
2.1.2. Festlegung von Zuständen und Aktionen
Um Zustände und Aktionen für ein Problem zu definieren muss man immer von den realen Gege-
benheiten abstrahieren. Im Folgenden wird anhand des Rumänien-Beispiels illustriert, wie Abstrak-
tionen vorgenommen werden sollten. Abbildung 2.2 zeigt eine vereinfachte Landkarte mit den
Straßenverbindungen zwischen verschiedenen Orten.
Oradea
Zerind
Neamt
Arad
Sibiu
Iasi
Fagaras
Timisoara Rimnicu Vilcea
Vaslui
Lugoj
Pitesti
Mehadia Urziceni Hirsova
Dobreta Bukarest
Craiova
Giurgiu Eforie
Abbildung 2.2
Das Problem heißt: „Fahre von Arad nach Bukarest unter Benutzung der Landkarte von Abbildung
2.2.“ Der Zustandsraum hat 20 Zustände, die durch die Befindlichkeit an den Orten gegeben sind.
Der Anfangszustand ist „in Arad“, das Zielprädikat heißt: „Ist dies Bukarest?“ Die Operatoren ent-
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 12
sprechen den Fahrten zwischen den Orten entlang den eingezeichneten Straßen. Als Pfadkosten
wird die Anzahl der für eine Lösung erforderlichen Schritte genommen.
Das Weglassen von nicht erforderlichen Details aus einer Problembeschreibung heißt Abstraktion.
Eine Abstraktion ist gut, wenn so viele Details wie möglich weggelassen werden, aber die Gültig-
keit der Problembeschreibung erhalten bleibt und die abstrakten Aktionen einfach auszuführen sind.
2.2. Einige Beispielprobleme
1. Das 8-Puzzle
Das 8-Puzzle ist das in Abbildung 2.3 dargestellte bekannte Spielzeug. Durch Verschieben der
Plättchen soll, ausgehend von einer beliebigen Anordnung, eine bestimmte Ordnung der Zahlen
hergestellt werden, z.B. die im Zielzustand von Abbildung 2.3 dargestellte.
5 4 1 2 3
6 1 8 8 4
7 3 2 7 6 5
Startzustand Zielzustand
Abbildung 2.3
• Zustände: Beschreibung der Platzierung aller acht Plättchen sowie der Leerstelle in den neun
Quadraten.
• Operatoren: Bewegung der Leerstelle nach links, rechts, oben oder unten.
• Zielprädikat: Der Zustand, der identisch ist mit dem in Abbildung 2.3 dargestellten Zielzu-
stand.
• Pfadkosten: Jeder Schritt hat die Kosten 1, die Kosten eines Pfades sind damit gleich der Länge
des Pfads.
2. Das 8-Damen-Problem
8 Damen müssen so auf einem Schachbrett angeordnet werden, dass keine Dame eine andere
angreift, d.h. dass keine horizontal, vertikal oder diagonal zu ihr steht. Abbildung 2.4 zeigt eine
Anordnung der Damen, die die Bedingung verletzt.
• Zielprädikat: 8 Damen auf dem Brett, keine angegriffen.
• Pfadkosten: Null.
Erste Formulierung für Zustände und Operatoren:
• Zustände: Beliebige Anordnung von 0 bis 8 Damen auf dem Brett.
• Operatoren: Setze eine Dame auf irgendein Feld.
Zweite Formulierung für Zustände und Operatoren:
• Zustände: Anordnungen von 0 bis 8 Damen auf dem Brett, bei denen keine Dame angegriffen
ist.
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 13
• Operatoren: Setze eine Dame so in die am weitesten links liegende Spalte, dass sie von keiner
anderen Dame angegriffen wird.
Abbildung 2.4
Zustände und Operatoren für eine Vollzustandsformulierung:
• Zustände: Anordnungen von 8 Damen, je eine in einer Spalte.
• Operatoren: Bewege eine angegriffene Dame auf ein anderes Feld in derselben Spalte.
3. Kryptoarithmetik
Ein kryptoarithmetisches Problem ist die Formulierung einer arithmetischen Aufgabe samt Lösung,
in der die Ziffern durch Buchstaben ersetzt sind. Es ist eine Ersetzung der Buchstaben durch Ziffern
gesucht, so dass die arithmetische Aufgabe korrekt gelöst ist. Ein Beispiel ist die folgende Aufgabe:
FORTY Lösung: 29785 F=2, O=9, R=7 usw.
+ TEN 850
+ TEN 850
---- -----
SIXTY 31485
Eine einfache Problemformulierung:
• Zustände: Eine kryptoarithmetische Aufgabe mit teilweise durch Ziffern ersetzten Buchstaben.
• Operatoren: Ersetze alle Vorkommen eines Buchstabens mit einer Ziffer, die noch nicht in der
Aufgabe vorkommt.
• Zielprädikat: Die Aufgabe enthält nur Ziffern und repräsentiert eine korrekte arithmetische
Aufgabe.
• Pfadkosten: Null.
4. Staubsaugen
Zunächst wird das Ein-Zustands-Problem mit vollständiger Information und korrekt arbeitendem
Staubsauger betrachtet. Die Problemformulierung ist:
• Zustände: Einer der acht Zustände von Abbildung 2.1.
• Operatoren: Nach links bewegen (L), nach rechts bewegen (R), Saugen (S).
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 14
• Zielprädikat: Kein Schmutz an beiden Plätzen.
• Pfadkosten: Jede Aktion hat die Kosten 1.
Abbildung 2.5 zeigt den vollständigen Zustandsraum mit allen möglichen Pfaden.
R
L R
L
S S
R R
L R L R
L L
S S S S
R
L R
L
S S
Abbildung 2.5
Nun wird das Mehr-Zustands-Problem betrachtet, bei dem der Roboter keinen Sensor hat. Die
Problemformulierung ist:
• Zustandsmengen: Teilmengen der acht Zustände von Abbildung 2.1.
• Operatoren: Nach links bewegen (L), nach rechts bewegen (R), Saugen (S).
• Zielprädikat: Alle Zustände in der Zustandsmenge haben keinen Schmutz an beiden Plätzen.
• Pfadkosten: Jede Aktion hat die Kosten 1.
Der Startzustand ist die Menge aller Zustände, da der Roboter keinen Sensor hat um seinen Platz
festzustellen. Abbildung 2.6 zeigt den Zustandsmengenraum für das Problem.
5. Das Missionars-Kannibalen-Problem
Drei Missionare und drei Kannibalen befinden sich auf einer Seite eines Flusses und wollen
übersetzen. Es steht ein Boot zur Verfügung, das höchstens zwei Personen fasst. Gesucht ist eine
Möglichkeit die Personen so über den Fluss zu bringen, dass zu keinem Zeitpunkt an einem der
beiden Ufer mehr Kannibalen als Missionare sind (weil sonst die Missionare Gefahr laufen ver-
speist zu werden).
Problemformulierung:
• Zustände: Ein Zustand besteht aus drei Zahlen. Die erste repräsentiert die Anzahl der Missio-
nare, die zweite die der Kannibalen und die dritte die der Boote am Startufer. Der Startzustand
ist (3, 3, 1).
• Operatoren: Das Boot fährt mit einem oder zwei Missionaren oder mit einem oder zwei Kanni-
balen oder mit einem Missionar und einem Kannibalen zwischen den Ufern. Es gibt also fünf
Operatoren. Bei einer Fahrt vom Startufer zum anderen Ufer verringern sich die Zahlen des
aktuellen Zustands, in der umgekehrten Richtung vergrößern sie sich.
• Zielprädikat: Ist der aktuelle Zustand (0, 0, 0)?
• Pfadkosten: Anzahl der Flussüberquerungen.
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 15
L
R
L R
S
S
S L R
R
L
S S
R L
L R
S S
R
L
Abbildung 2.6
2.3. Suche nach Lösungen
2.3.1. Erzeugung von Aktionsfolgen
Durch Anwendung eines Operators wird von einem gegebenen Zustand aus eine Menge anderer
Zustände erzeugt. Dieser Prozess heißt Expandieren des Zustands. Das Wesen der Suche ist einen
Zustand aus einer Menge auszuwählen und die anderen für einen eventuellen späteren Gebrauch
zurückzustellen, nämlich dann, wenn die getroffene Auswahl nicht zum Erfolg führt. Die Wahl des
als nächster zu expandierender Zustands wird durch eine Suchstrategie bestimmt. Der Suchprozess
kann als Aufbau eines Suchbaums, der über den Zustandsraum gelegt wird, gedacht werden. Die
Wurzel des Suchbaums ist der Suchknoten, der dem Anfangszustand entspricht. Die Blätter des
Baums entsprechen Zuständen, die keine Nachfolger im Baum haben, entweder weil sie noch nicht
expandiert wurden oder weil sei keine Nachfolger haben (bei der Expansion entstand die leere
Menge). In jedem Schritt wählt der Suchalgorithmus einen Blattknoten zum Expandieren aus.
2.3.2. Datenstrukturen für Suchbäume und allgemeiner Suchalgorithmus
Ein Knoten v eines Suchbaums ist eine Datenstruktur mit fünf Komponenten:
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 16
• Der Zustand des Zustandsraums, dem v entspricht;
• derjenige Knoten im Suchbaum, der v erzeugt hat (der Vaterknoten von v);
• der zur Erzeugung von v verwendete Operator;
• die Zahl der Knoten auf dem Pfad von der Wurzel zu v (die Tiefe von v);
• die Pfadkosten des Pfades vom Anfangszustand bis zu dem v entsprechenden Zustand.
Der Datentyp Knoten ist definiert durch
datatype KNOTEN
components: ZUSTAND, VATERKNOTEN, OPERATOR, TIEFE, PFADKOSTEN
Es wird ferner eine Datenstruktur benötigt zur Repräsentation der Knoten, die zwar schon erzeugt,
aber noch nicht expandiert worden sind. Diese Knotenmenge heißt Rand.
Die Knotenmenge Rand wird als Liste implementiert. Auf einer Liste sind folgende Operationen
definiert:
• MAKE-LIST(Elemente) erzeugt eine Liste aus den eingegebenen Elementen
• EMPTY?(Liste) gibt true zurück, wenn keine Elemente mehr in der Liste sind
• REMOVE-FRONT(Liste) entfernt das erste Element der Liste und gibt es aus
• LISTING-FN(Elemente, Liste) fügt eine Menge von Elementen in die Liste ein
Bei der Funktion LISTING-FN kommt es darauf an, wie die Elemente in die Liste eingefügt werden.
Daraus ergeben sich verschiedene Varianten des Suchalgorithmus. Der allgemeine Suchalgo-
rithmus ist unter Verwendung dieser Funktionen in folgender Weise definiert:
function ALLGEMEINE-SUCHE(Problem, LISTING-FN) returns eine Lösung oder Fehler
nodes ← MAKE-LIST(MAKE-NODE(INITIAL-STATE[Problem]))
loop do
if EMPTY?(nodes) then return Fehler
node ← REMOVE-FRONT(nodes)
if STATE(node) erfüllt ZIELPRÄDIKAT[Problem] then return node
nodes ← LISTING-FN(nodes, EXPAND(node, OPERATORS[Problem]))
end
2.3.3. Strategien zum Suchen
Die Qualität einer Suchstrategie lässt sich nach vier Kriterien abschätzen:
• Vollständigkeit: Findet die Suchstrategie garantiert eine Lösung wenn es eine gibt?
• Zeitbedarf: Wie viel Zeit benötigt die Suchstrategie um eine Lösung zu finden?
• Speicherplatzbedarf: Wie viel Speicherplatz benötigt die Suchstrategie für die Suche?
• Optimalität: Findet die Suchstrategie die beste Lösung, wenn es mehrere Lösungen gibt?
Wie geht man nun vor, um eine Lösung zu finden? Die einfachste Möglichkeit ist, irgendeinen
beliebigen Zustand aus dem Rand herauszugreifen, eine Aktion darauf anzuwenden und die sich
daraus ergebenden Zustände daraufhin zu prüfen, ob sie Zielzustände sind. Diese Strategie wäre das
Stochern mit der Stange im Nebel, denn sie verläuft rein zufällig. Damit kann man zwar auch zum
Ziel kommen, und nach dem Zufallsgesetz ist es sogar garantiert, dass man einen Zielzustand
erreicht, d.h. das Verfahren wäre vollständig, aber der Zeitaufwand kann sehr groß werden, er lässt
sich nicht einmal abschätzen. Das Verfahren wäre mit Sicherheit nicht optimal.
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 17
Statt rein zufällig zu verfahren, kann man die Suche systematisch betreiben, allerdings ohne zu
wissen, welche Richtung die günstigste ist. Deshalb nennt man diese Strategien blind oder uninfor-
miert. Sie sind aber systematisch, d.h. sie arbeiten die Zustände nach einem bestimmten Schema ab.
Aus der Problembeschreibung kann man oft Hinweise dafür bekommen, welche Richtung für die
Suche günstig ist, d.h. in welcher Richtung man hoffen kann, möglichst rasch zu einem Zielknoten
zu kommen. Diese Richtung sollte man bevorzugen. Diese Hinweise werden in so genannten heu-
ristischen Funktionen formuliert, deshalb nennt man diese Strategien heuristisch oder informiert.
2.4. Blinde Suchverfahren
2.4.1. Breitensuche
Bei der Breitensuche (Breadth-first search) wird zuerst der Wurzelknoten expandiert, dann alle
seine Nachfolger, dann deren Nachfolger usw. Allgemein werden immer erst alle Knoten auf Tiefe
d des Suchbaums expandiert bevor ein Knoten auf Tiefe d + 1 expandiert wird. Die Breitensuche
wird durch Aufruf des Algorithmus ALLGEMEINE-SUCHE mit einer Listenfunktion, die die neuen
Knoten an das Ende der Liste einfügt, implementiert.
function BREITENSUCHE(Problem) returns eine Lösung oder Fehler
return ALLGEMEINE-SUCHE(Problem,ENLIST-AT-END)
Die Breitensuche erfüllt das Kriterium der Vollständigkeit, denn sie findet auf jeden Fall eine
Lösung, falls eine existiert, und sie findet diejenige mit dem kürzesten Pfad. Sind die Pfadkosten
eine monoton wachsende Funktion der Tiefe des Suchbaums, dann ist deshalb die Breitensuche
sogar optimal.
Zur Abschätzung des Zeit- und Speicherplatzbedarfs wird ein hypothetischer Zustandsraum ange-
nommen, in dem jeder Zustand zu genau b Folgezuständen expandiert werden kann. b heißt der
Verzweigungsfaktor (branching factor) der Zustände. Die Anzahl der insgesamt erzeugten Knoten
des Suchbaums ist ein Maß für den Zeit- und Speicherplatzbedarf. Auf Tiefe 0 gibt es einen Knoten
(die Wurzel), auf Tiefe 1 b Knoten, auf Tiefe 2 b2 Knoten usw., allgemein auf Tiefe d bd Knoten.
Liegt eine (die erste) Lösung auf Tiefe d, dann ist die Zahl der maximal zu erzeugenden Knoten
b d +1 − 1
1 + b + b2 + b3 + K + bd = = O(b d )
b −1
Zeit- und Speicherplatzbedarf sind komplexitätsmäßig gleich groß (O(bd)), denn im ungünstigsten
Fall müssen alle Knoten der Tiefe d gespeichert werden, im günstigeren Fall immerhin die Knoten
der Tiefe d-1.
2.4.2. Tiefensuche
Die Tiefensuche expandiert immer einen Knoten auf der tiefsten Ebene des Baumes. Nur wenn
keiner der Knoten auf der tiefsten Ebene expandierbar ist, geht sie zurück und expandiert einen
Knoten auf einer niedrigeren Ebene. Diese Suchstrategie kann durch Aufruf des Algorithmus
ALLGEMEINE-SUCHE mit einer Listenfunktion, die die neuen Knoten an den Anfang der Liste
einfügt, implementiert werden.
function TIEFENSUCHE(Problem) returns eine Lösung oder Fehler
return ALLGEMEINE-SUCHE(Problem, ENLIST-AT-FRONT)
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 18
Der Speicherplatzbedarf der Tiefensuche ist linear, denn beim Absteigen in die Tiefe muss immer
nur ein Knoten zusammen mit seinen Geschwisterknoten im Speicher gehalten werden. Ist m die
größte im Suchbaum vorkommende Tiefe (m kann größer sein als die Lösungstiefe d), dann ist der
Speicherplatzbedarf b⋅m.
Der Zeitbedarf der Tiefensuche ist O(bm), da im ungünstigsten Fall alle Knoten bis zur maximalen
Tiefe m expandiert und besucht werden müssen. In der Praxis kann der Zeitbedarf niedriger sein,
weil nur ein Teil des Zustandsraums durchsucht werden muss bis eine Lösung gefunden ist.
Der Nachteil der Tiefensuche gegenüber der Breitensuche ist, dass sie bei sehr tiefen oder gar
unendlich tiefen Suchbäumen in einem falschen Zweig „hängenbleibt“ oder zumindest sehr viel
Zeit verbraucht und deshalb keine Lösung findet, auch wenn eine existiert. Aus ähnlichem Grund ist
bei der Tiefensuche auch nicht garantiert, dass sie eine optimale Lösung findet. Die Tiefensuche ist
also weder vollständig noch optimal.
2.4.3. Tiefenbegrenzte Suche
Die tiefenbegrenzte Suche ist Tiefensuche mit einem Tiefenschnitt. Jeder Pfad im Suchbaum wird
höchstens bis zu einer vorgegebenen Tiefe entwickelt. Die tiefenbegrenzte Suche kann mit einem
speziellen Algorithmus oder durch Aufruf von ALLGEMEINE-SUCHE zusammen mit Operatoren, die
die Tiefe kontrollieren, implementiert werden. Der Zeit- und Speicherplatzbedarf ist ähnlich wie bei
der Tiefensuche; ist l der Tiefenschnitt, dann ist der Zeitbedarf O(bl) und der Speicherbedarf O(b⋅l).
2.4.4. Suche mit iterativem Vertiefen
Die Suche mit iterativem Vertiefen ist tiefenbeschränkte Suche mit variablem Tiefenschnitt. Dabei
werden sukzessive wachsende Tiefenschnitte 0, 1, 2, ... festgelegt und für jeden Wert die tiefen-
beschränkte Suche durchgeführt. Die Implementierung kann durch folgende Funktion geschehen:
function SUCHE-MIT-ITERATIVEM-VERTIEFEN(Problem) returns eine Lösungsfolge oder Fehler
inputs: Problem ; eine Problembeschreibung
for depth ← 0 to ∞ do
if Tiefenbegrenzte-Suche(Problem, depth) erfolgreich then return ihr Ergebnis
end
return Fehler
Die Suche mit iterativem Vertiefen vereinigt die Vorteile der Breitensuche und der Tiefensuche, sie
ist vollständig und optimal. Sie benötigt nur so viel Speicherplatz wie die Tiefensuche.
Der Zeitbedarf der Suche mit iterativem Vertiefen ist O(bd) und der Speicherplatzbedarf O(b ⋅ d ) .
Die Suche ist vollständig und optimal. Damit ist die Suche mit iterativem Vertiefen das beste blinde
Suchverfahren. Es ist geeignet für große Suchräume mit unbekannter Tiefe der Lösung.
2.5. Heuristische Suchverfahren
Will man Wissen über ein zu lösendes Problem zur Steuerung des Suchprozesses nutzen, dann kann
man dies mit Hilfe der allgemeinen Suchprozedur tun. Mit ihr können verschiedene Suchstrategien
dadurch verwirklicht werden, dass man neue Knoten in unterschiedlicher Weise in die Schlange
einfügt, sofern man die Knoten immer an derselben Stelle aus der Schlange entfernt. Für das
Einfügen benötigt man eine Evaluierungsfunktion, die die richtige Reihenfolge bestimmt. Werden
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 19
die Knoten so geordnet, dass der mit der besten Bewertung zuerst expandiert wird, dann nennt man
das Verfahren Best-first-Suche. Der folgende Algorithmus realisiert diese Suche.
function BEST-FIRST-SUCHE(Problem, EVAL-FN) returns eine Lösungsfolge oder Fehler
inputs: Problem ; eine Problembeschreibung
EVAL-FN ; eine Evaluierungsfunktion
LISTING-FN ← eine Funktion, die Knoten mittels EVAL-FN ordnet
return ALLGEMEINE-SUCHE(Problem, LISTING-FN)
Es gibt eine ganze Familie von Best-first-Suchverfahren. Sie benutzen alle ein geschätztes Kosten-
maß für die Lösung und versuchen, dieses zu minimieren. Dieses Kostenmaß muss die Kosten eines
Pfads von einem Zustand zu dem nächstgelegenen Zielzustand erfassen.
2.5.1. Greedy-Suche
Eine einfache Best-first-Suche ist die Minimierung der geschätzten Kosten für das Erreichen des
Ziels. Dazu wird derjenige Knoten, dessen Zustand als dem Zielzustand am nächsten liegend einge-
schätzt wird, als erster expandiert. Eine Funktion, die die Kosten schätzt, nennt man heuristische
Funktion, bezeichnet mit h. h(n) sind also die geschätzten Kosten des billigsten Pfads vom Knoten
n zu einem Zielzustand. Best-first-Suche, die eine heuristische Funktion h verwendet, heißt
Greedy-Suche. Der folgende Algorithmus ist eine Implementierung der Greedy-Suche.
function GREEDY-SUCHE(Problem) returns eine Lösung oder Fehler
return BEST-FIRST-SUCHE(Problem, h)
Jede beliebige Funktion kann als heuristische Funktion verwendet werden. Es muss nur h(n) = 0
gelten, falls n ein Zielknoten ist.
Greedy-Suche geht ähnlich vor wie Tiefensuche, insofern als sie einen direkten Weg zur Lösung
bevorzugt und rücksetzen muss, wenn sie in eine Sackgasse gerät. Sie hat die gleichen Nachteile
wie die Tiefensuche, sie ist nicht vollständig und nicht optimal. Der worst case-Zeitbedarf ist O(bm),
wobei m die maximale Tiefe des Suchraums ist. Es werden alle Knoten im Speicher gehalten,
deshalb ist auch der worst case-Speicherplatzbedarf O(bm).
2.5.2. A*-Suche
Durch Addition der heuristischen Funktion h und der Pfadkostenfunktion g erhält man die Funktion
f(n) = g(n) + h(n)
die die geschätzten Kosten der billigsten Lösung durch den Knoten n wiedergibt.
Hat die Funktion h die Eigenschaft, dass sie die Kosten eines Pfades bis zu einem Zielknoten nicht
überschätzt, dann heißt sie eine zulässige Heuristik. Formal definiert: Sind h‘ die tatsächlichen
(aber nicht bekannten) Kosten, dann muss für h gelten: Für alle Knoten n: h(n) ≤ h‘(n). Wenn h
zulässig ist, dann überschätzt auch die Funktion f niemals die Kosten der besten Lösung durch n.
Best-first-Suche unter Verwendung von f als Evaluierungsfunktion mit zulässigem h heißt A*-
Suche. Der folgende Algorithmus implementiert die A*-Suche.
function A*-SUCHE(Problem) returns eine Lösung oder Fehler
return BEST-FIRST-SUCHE(Problem, g + h)
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 20
Eine heuristische Funktion, deren Werte entlang der Pfade im Suchbaum von der Wurzel zu einem
Blatt nie kleiner werden, nennt man monoton. Ist eine heuristische Funktion nicht monoton, dann
kann sie in eine monotone Funktion umgeformt werden. Dies geschieht auf folgende Weise. Ist n
ein Knoten und n‘ einer seiner Nachfolger. Dann setze
f (n' ) = max( f (n), g (n' ) + h(n' ))
Diese Gleichung heißt Pfadmaximierungsgleichung. Durch sie wird jede heuristische Funktion
monoton.
2.6. Heuristische Funktionen für das 8-Puzzle
• h1 = Anzahl der falsch platzierten Plättchen. In Abbildung 1.3 sind 7 Plättchen an der falschen
Position, also ist hier h1 = 7. h1 ist zulässig, denn jedes falsch platzierte Plättchen muss
mindestens um eine Position verschoben werden.
• h2 = Summe der Entfernungen der Plättchen von ihren Zielpositionen. Die Entfernungen werden
in horizontaler und vertikaler Richtung gemessen, wie die Plättchen bewegt werden können. h2
gibt also an, wieviele Züge mindestens notwendig sind, um ein falsch platziertes Plättchen in die
richtige Position zu bringen. Damit ist h2 ebenfalls zulässig. Die Heuristik wird auch Stadtblock-
Distanz oder Manhattan-Distanz genannt. Im Beispiel von Abbildung 1.3 ist
h2 = 2 + 3 + 3 + 2 + 4 + 2 + 0 + 2 = 18
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 21
3. Planen
3.1. Ein einfacher Planungsalgorithmus
Wenn der Weltzustand vollständig bekannt ist kann ein Planer Wahrnehmungen nutzen, die von der
Umgebung geliefert werden, um ein vollständiges und korrektes Modell des aktuellen Weltzustands
aufzubauen. Ist ein Ziel gegeben, dann kann er einen geeigneten Planungsalgorithmus aufrufen um
einen Aktionsplan zu erzeugen. Danach kann der Planer den Plan Aktion für Aktion ausführen. Der
folgende Algorithmus implementiert einen einfachen Planer.
function EINFACHER-PLANER(Wahrnehmung) returns eine Aktion
static: KB, eine Wissensbasis mit Aktionsbeschreibungen
p, ein Plan, zu Beginn NoPlan
t, ein Zähler für die Zeit, zu Beginn 0
local variables: G, ein Ziel
current, eine Beschreibung des aktuellen Zustands
TELL(KB, MAKE-PERCEPT-SENTENCE(Wahrnehmung, t))
current ← STATE-DESCRIPTION(KB, t)
if p = NoPlan then
G ← ASK(KB, MAKE-GOAL-QUERY(t))
p ← IDEAL-PLANNER(current, G, KB)
if p = NoPlan or p ist leer then Aktion ← NoOp
else
Aktion ← FIRST(p)
p ← REST(p)
TELL(KB, MAKE-ACTION-SENTENCE(Aktion, t))
t←t+1
return Aktion
3.2. Vom Problemlösen zum Planen
Drei Schlüsselideen, die dem Planen zugrundeliegen:
1. „Öffne“ die Repräsentation der Zustände, Ziele und Aktionen. Dies wird erreicht durch Verwen-
dung einer geeigneten Repräsentationsform, z.B. der Logik erster Ordnung oder einer Teil-
menge von ihr. Zustände und Ziele werden darin als Sätze repräsentiert und Aktionen als logi-
sche Beschreibungen von Vorbedingungen und Wirkungen. Dadurch ist es möglich, direkte
Verbindungen zwischen Zuständen und Aktionen herzustellen.
2. Der Planer kann neue Aktionen zu seinem Plan hinzufügen wann immer dies erforderlich ist,
nicht nur zu Beginn der Planung vom Anfangszustand aus. Planung und Ausführung müssen
nicht streng getrennt sein. Indem offensichtliche oder wichtige Entscheidungen zuerst getroffen
werden, werden der Verzweigungsfaktor und die Notwendigkeit zum Rücksetzen stark redu-
ziert.
3. Die meisten Teile der Welt sind unabhängig von den meisten anderen Teilen. Deshalb kann man
oft ein Ziel als Konjunktion mehrerer voneinander unabhängiger Teilziele formulieren und mit
einer Divide-and-Conquer-Strategie lösen.
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 22
3.3. Grundlegende Repräsentationen für das Planen
3.3.1. Repräsentation von Zuständen und Zielen
In der STRIPS-Sprache (STanford Research Institute Problem Solver) werden Zustände durch Kon-
junktionen (Und-Verknüpfungen) sehr einfacher logischer Ausdrücke repräsentiert. Diese bestehen
nur aus Prädikaten, angewandt auf Konstanten. Man nennt sie Literale.
Zustandsbeschreibungen müssen nicht vollständig sein. In einer unzugänglichen Welt hat ein Planer
oft unvollständige Zustandsbeschreibungen. Eine solche entspricht einer Menge möglicher Zu-
stände, für die der Planer erfolgreiche Pläne zu erstellen versucht. Viele Planungssysteme folgen
der „Closed World Assumption“, nach der ein nicht erwähntes positives Literal als falsch angenom-
men wird.
Ziele werden ebenfalls durch Konjunktionen von Literalen repräsentiert. Diese Literale können
auch Variable enthalten.
3.3.2. Repräsentation von Aktionen
Die STRIPS-Repräsentation für Aktionen besteht aus drei Komponenten:
• Aktionsbeschreibung: Eine Beschreibung dessen, was der Agent an die Umgebung ausgibt um
etwas zu tun. Innerhalb des Planers dient sie nur als Name für eine mögliche Aktion.
• Vorbedingung: Eine Konjunktion von Atomen (positive Literale), die angibt, was gelten muss
bevor der Operator angewandt werden kann.
• Wirkung: Eine Konjunktion von Literalen (positiv oder negativ), die beschreibt, wie sich die
Situation verändert, wenn der Operator angewandt wird.
Ein Beispiel für die Syntax zur Formulierung eines STRIPS-Operators ist der folgende Operator für
die Bewegung von einem Platz zu einem anderen:
Op(ACTION: Gehezu(dort), PRECOND: An(hier) ∧ Pfad(hier, dort), EFFECT: An(dort) ∧ ¬An(hier))
Abbildung 3.1 zeigt eine graphische Notation des Operators.
An(hier), Pfad(hier, dort)
Gehezu(dort)
An(dort), ¬An(hier)
Abbildung 3.1
Ein Operator mit Variablen wird als Operatorschema bezeichnet, denn er beschreibt nicht nur eine
einzige Aktion, sondern eine Menge von Aktionen, die sich durch Einsetzen verschiedener Kon-
stanten für die Variablen als Instanzen des Schemas ergeben. Üblicherweise können nur Instanzen
von Operatorschemata ausgeführt werden. Die Planungsalgorithmen sorgen dafür, dass alle Varia-
blen in einem Operatorschema vor der Anwendung gebunden sind.
Ein Operator o ist anwendbar in einem Zustand s, wenn die Variablen in o so instanziiert werden
können, dass alle Vorbedingungen von o erfüllt sind in s, d.h. wenn Precond(o) ⊆ s. Im resultieren-
den Zustand gelten alle positiven Literale in Effect(o), ebenso alle Literale, die schon in s gegolten
Technische Universität Chemnitz Wintersemester 2004/05Künstliche Intelligenz in der Schule Seite 23
haben, außer denen, die negativ in Effect(o) sind. Ein Beispiel: In der Anfangssituation gelten die
Literale
An(ZuHause), Pfad(ZuHause, Supermarkt), ...
Dann ist die Aktion Gehezu(Supermarkt) anwendbar und die Ergebnissituation enthält die Literale
¬An(ZuHause), An(Supermarkt), Pfad(ZuHause, Supermarkt), ...
3.3.3. Repräsentation von Plänen
Nach dem Least Commitment-Prinzip beim Planen werden Entscheidungen, die im Planungs-
prozess zu treffen sind, so lange wie möglich zurückgestellt und erst dann getroffen, wenn dies
unumgänglich ist. Ein Plan, in dem die Menge der Schritte nur teilweise geordnet ist, heißt partiell
geordnet. Ist die Menge der Schritte vollständig geordnet, dann heißt der Plan vollständig
geordnet. Entsteht ein vollständig geordneter Plan aus einem Plan P durch Hinzufügen von
Constraints, dann heißt er eine Linearisierung von P. Ein Plan, in dem jede Variable an eine
Konstante gebunden ist, heißt voll instanziierter Plan.
Ein Plan ist eine Datenstruktur bestehend aus vier Komponenten:
• Eine Menge von Planschritten. Jeder Schritt ist einer der Operatoren für das Problem.
• Eine Menge von Constraints, die die Schritte ordnen. Die Constraints haben die Form Si p Sj,
gelesen „Si vor Sj“, was bedeutet, dass Schritt Si irgendwann vor Schritt Sj kommen muss, aber
nicht notwendigerweise unmittelbar vor Sj.
• Eine Menge von Constraints für Variablenbindungen. Die Constraints haben die Form v = x,
wobei v eine Variable ist, die in einem Schritt vorkommt, und x eine Konstante oder eine andere
Variable.
• Eine Menge kausaler Kanten. Eine kausale Kante wird geschrieben S i ⎯
⎯→
c
S j und gelesen
als „Si erreicht c für Sj“. Kausale Kanten beschreiben den Zweck von Schritten in einem Plan.
Bei der Kante S i ⎯ ⎯→
c
S j ist der Zweck von Si die Vorbedingung c von Sj zu erfüllen.
Der Anfangsplan, der vor Anwendung einer Operation gegeben ist, beschreibt das ungelöste
Problem. Er besteht nur aus zwei Schritten, genannt Start und Ende, und dem Ordnungsconstraint
Start p Ende. Beide Schritte enthalten keine Aktion. Der Start-Schritt hat keine Vorbedingungen,
aber eine Wirkung, nämlich die alle Aussagen hinzuzufügen, die im Anfangszustand wahr sind. Der
Ende-Schritt hat den Zielzustand als Vorbedingung, aber keine Wirkung. Der Planungsprozess
beginnt mit dem Anfangsplan und führt so lange Verfeinerungsschritte durch, bis ein vollständiger
Plan entsteht.
Als Beispiel wird ein Anfangsplan für das Schuhe anziehen betrachtet. Er hat folgende Gestalt:
Plan( STEPS: { S1: Op(ACTION: Start),
S2: Op(ACTION: Ende, PRECOND: RechterSchuhAn ∧ LinkerSchuhAn)},
ORDERINGS: {S1 p S2},
BINDINGS: {},
LINKS: {})
Technische Universität Chemnitz Wintersemester 2004/05Sie können auch lesen
